网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
pcl::io::loadPCDFile (“table_scene_lms400.pcd”, *cloud);
//创建法线估计估计向量
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud (cloud);
//创建一个空的KdTree对象，并把它传递给法线估计向量
//基于给出的输入数据集，KdTree将被建立
pcl::search::KdTreepcl::PointXYZ::Ptr tree (new pcl::search::KdTreepcl::PointXYZ ());
ne.setSearchMethod (tree);
//存储输出数据
pcl::PointCloudpcl::Normal::Ptr cloud_normals (new pcl::PointCloudpcl::Normal);
//使用半径在查询点周围3厘米范围内的所有临近元素
ne.setRadiusSearch (0.03);
//计算特征值
ne.compute (*cloud_normals);
// cloud_normals->points.size ()应该与input cloud_downsampled->points.size ()有相同的尺寸
//可视化
pcl::visualization::PCLVisualizer viewer(“PCL Viewer”);
viewer.setBackgroundColor (0.0, 0.0, 0.0);
viewer.addPointCloudNormalspcl::PointXYZ,pcl::Normal(cloud, cloud_normals);
//视点默认坐标是（0，0，0）可使用 setViewPoint(float vpx,float vpy,float vpz)来更换
while (!viewer.wasStopped ())
{
viewer.spinOnce ();
}
return 0;
}
### PCL 法线估计实例 ------ 估计一个点云的表面法线
---
表面法线是几何体表面一个十分重要的属性，例如：在进行光照渲染时产生符合可视习惯的效果时需要表面法线的信息才能正常进行。对于一个已经已经知道的几何体表面，根据垂直于点表面的的矢量，得出表面某一点的法线方向比较容易，然而由于我们获取的点云的数据集在真实的物体的表面表现为一组点的样本，这样就会有两种方法解决：
* 使用曲面重建技术，从获取的点云数据中得到采样点对应的曲面，然后从曲面模型中计算出表面法线
* . 直接从点云数据中近似推断表面法线
**在确定表面一点法线的问题近似于估计表面的一个相切面法线的问题，因此转换过来就是求一个最小二乘法平面拟合的问题**
### PCL 使用积分图像进行法线估计
---
***· 注意此方法只适用于有序点云***
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/features/integral_image_normal.h>
#include <pcl/visualization/cloud_viewer.h>
int
main ()
{
//打开点云
pcl::PointCloudpcl::PointXYZ::Ptr cloud (new pcl::PointCloudpcl::PointXYZ);
pcl::io::loadPCDFile (“table_scene_mug_stereo_textured.pcd”, *cloud);
//创建法线估计向量
pcl::PointCloudpcl::Normal::Ptr normals (new pcl::PointCloudpcl::Normal);
pcl::IntegralImageNormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
/****************************************************************************************
三种法线估计方法
COVARIANCE_MATRIX 模式从具体某个点的局部邻域的协方差矩阵创建9个积分，来计算这个点的法线
AVERAGE_3D_GRADIENT 模式创建6个积分图来计算水平方向和垂直方向的平滑后的三维梯度并使用两个梯度间的向量
积计算法线
AVERAGE_DEPTH——CHANGE 模式只创建了一个单一的积分图，从而平局深度变化计算法线
********************************************************************************************/
ne.setNormalEstimationMethod (ne.AVERAGE_3D_GRADIENT); //设置法线估计的方式AVERAGE_3D_GRADIENT
ne.setMaxDepthChangeFactor(0.02f); //设置深度变化系数
ne.setNormalSmoothingSize(10.0f); //设置法线优化时考虑的邻域的大小
ne.setInputCloud(cloud); //输入的点云
ne.compute(\*normals); //计算法线
//可视化
pcl::visualization::PCLVisualizer viewer("PCL Viewer"); //视口的名称
viewer.setBackgroundColor (0.0, 0.0, 0.5); //背景颜色的设置
viewer.addPointCloudNormals<pcl::PointXYZ,pcl::Normal>(cloud, normals); //将法线加入到点云中
while (!viewer.wasStopped ())
{
viewer.spinOnce ();
}
return 0;
}
### 点特征直方图（PFH）描述子
---
正如点特征表示法所示，表面法线和曲率估计是某个点周围的几何特征基本表示法。虽然计算非常快速容易，但是无法获得太多信息，因为它们只使用很少的几个参数值来近似表示一个点的k邻域的几何特征。然而大部分场景中包含许多特征点，这些特征点有相同的或者非常相近的特征值，因此采用点特征表示法，其直接结果就减少了全局的特征信息。那么三维特征描述子中一位成员：点特征直方图(Point Feature Histograms)，我们简称为PFH，从PCL实现的角度讨论其实施细节。**PFH特征不仅与坐标轴三维数据有关，同时还与表面法线有关。**
PFH计算方式通过参数化查询点与邻域点之间的空间差异，并形成一个多维直方图对点的k邻域几何属性进行描述。直方图所在的高维超空间为特征表示提供了一个可度量的信息空间，对点云对应曲面的6维姿态来说它具有不变性，并且在不同的采样密度或邻域的噪音等级下具有鲁棒性。点特征直方图（PFH）表示法是基于点与其k邻域之间的关系以及它们的估计法线，简言之，它考虑估计法线方向之间所有的相互作用，试图捕获最好的样本表面变化情况，以描述样本的几何特征。因此，合成特征超空间取决于每个点的表面法线估计的质量。如图所示，表示的是一个查询点(Pq) 的PFH计算的影响区域，Pq 用红色标注并放在圆球的中间位置，半径为r， (Pq)的所有k邻元素（即与点Pq的距离小于半径r的所有点）全部互相连接在一个网络中。最终的PFH描述子通过计算邻域内所有两点之间关系而得到的直方图，因此存在一个O(k) 的计算复杂性。
***点特征直方图（PFH）在PCL中的实现是pcl\_features模块的一部分。默认PFH的实现使用5个区间分类（例如：四个特征值中的每个都使用5个区间来统计）***
#include <pcl/point_types.h> //点类型头文件
#include <pcl/features/pfh.h> //pfh特征估计类头文件
…//其他相关操作
pcl::PointCloudpcl::PointXYZ::Ptrcloud(new pcl::PointCloudpcl::PointXYZ);
pcl::PointCloudpcl::Normal::Ptrnormals(new pcl::PointCloudpcl::Normal());
…//打开点云文件估计法线等
//创建PFH估计对象pfh，并将输入点云数据集cloud和法线normals传递给它
pcl::PFHEstimationpcl::PointXYZ,pcl::Normal,pcl::PFHSignature125 pfh;
pfh.setInputCloud(cloud);
pfh.setInputNormals(normals);
//如果点云是类型为PointNormal,则执行pfh.setInputNormals (cloud);
//创建一个空的kd树表示法，并把它传递给PFH估计对象。
//基于已给的输入数据集，建立kdtree
pcl::KdTreeFLANNpcl::PointXYZ::Ptrtree(new pcl::KdTreeFLANNpcl::PointXYZ());
pfh.setSearchMethod(tree);
//输出数据集
pcl::PointCloudpcl::PFHSignature125::Ptrpfhs(new pcl::PointCloudpcl::PFHSignature125());
//使用半径在5厘米范围内的所有邻元素。
//注意：此处使用的半径必须要大于估计表面法线时使用的半径!!!
pfh.setRadiusSearch(0.05);
//计算pfh特征值
pfh.compute(*pfhs);
// pfhs->points.size ()应该与input cloud->points.size ()有相同的大小，即每个点都有一个pfh特征向量
**PFHEstimation类的实际计算程序内部只执行以下，对点云P中的每个点p：**
* 得到p点的最近邻元素
* 对于邻域内的每对点，计算其三个角度特征参数值
* 将所有结果统计到一个输出直方图中
### 快速点特征直方图(FPFH)描述子
---
为了简化直方图的特征计算，我们执行以下过程：
* 第一步，对于每一个查询点 ，计算这个点和它的邻域点之间的一个元组 （参考上一节PFH的介绍），第一步结果我们称之为简化的点特征直方图SPFH（Simple Point Feature Histograms）；
* 第二步，重新确定每个点的k邻域，使用邻近的SPFH值来计算的最终直方图（称为FPFH）
对于一个已知查询点 ，这个算法首先只利用和它邻域点之间对应关系（上图中以红色线来说明），来估计它的SPFH值，很明显这样比PFH的标准计算少了邻域点之间的互联。点云数据集中的所有点都要执行这一计算获取SPFH，接下来使用它的邻近点 的SPFH值和点的SPFH值重新权重计算，从而得到 点的最终FPFH值。FPFH计算添加的计算连接对，在上图中以黑色线表示。如上图所示，一些重要对点（直接相连的点）被重复计数两次（图中以粗线来表示），而其他间接相连的用细黑线表示。
>
> **PFH和FPFH的区别：**
>
>
> 1. FPFH没有对全互连 点的所有邻近点的计算参数进行统计，从图中可以看到，因此可能漏掉了一些重要的点对，而这些漏掉的对点可能对捕获查询点周围的几何特征有贡献。
> 2. PFH特征模型是对查询点周围的一个精确的邻域半径内，而FPFH还包括半径r范围以外的额外点对（不过在2r内）；
> 3. 因为重新权重计算的方式，所以FPFH结合SPFH值，重新捕获邻近重要点对的几何信息；
> 4. 由于大大地降低了FPFH的整体复杂性，因此FPFH有可能使用在实时应用中；
> 5. 通过分解三元组，简化了合成的直方图。也就是简单生成d分离特征直方图，对每个特征维度来单独绘制，并把它们连接在一起
>
>
>
***速点特征直方图FPFH在点云库中的实现可作为 pcl\_features 库的一部分。默认的FPFH实现使用11个统计子区间（例如：四个特征值中的每个都将它的参数区间分割为11个），特征直方图被分别计算然后合并得出了浮点值的一个33元素的特征向量，这些保存在一个pcl::FPFHSignature33点类型中。以下代码段将对输入数据集中的所有点估计一组FPFH特征值***
#include
#include //fpfh特征估计类头文件声明
…//其他相关操作
pcl::PointCloudpcl::PointXYZ::Ptrcloud(new pcl::PointCloudpcl::PointXYZ);
pcl::PointCloudpcl::Normal::Ptrnormals(new pcl::PointCloudpcl::Normal());
…//打开点云文件估计法线等
//创建FPFH估计对象fpfh，并把输入数据集cloud和法线normals传递给它。
pcl::FPFHEstimationpcl::PointXYZ,pcl::Normal,pcl::FPFHSignature33 fpfh;
fpfh.setInputCloud(cloud);
fpfh.setInputNormals(normals);
//如果点云是类型为PointNormal，则执行fpfh.setInputNormals (cloud);
//创建一个空的kd树对象tree，并把它传递给FPFH估计对象。
//基于已知的输入数据集，建立kdtree
pcl::search::KdTree::Ptrtree(new pcl::search::KdTree);
fpfh.setSearchMethod(tree);
//输出数据集
pcl::PointCloudpcl::FPFHSignature33::Ptrfpfhs(new pcl::PointCloudpcl::FPFHSignature33());
//使用所有半径在5厘米范围内的邻元素
//注意：此处使用的半径必须要大于估计表面法线时使用的半径!!!
fpfh.setRadiusSearch(0.05);
//计算获取特征向量
fpfh.compute(*fpfhs);
// fpfhs->points.size ()应该和input cloud->points.size ()有相同的大小，即每个点有一个特征向量
**FPFHEstimation类的实际计算内部只执行以下操作，对点云P中的每个点p**
* 得到 p 的邻域元素
* 计算每一对 p 、p\_k 的三个角度参数值（其中 p 、p\_k 的邻元素）
* 把所有结果统计输出到一个SPFH直方图
* 得到 p 的邻域元素
* 使用 p 的每一个SPFH和一个权重计算式，来计算最终 p 的FPFH
### 估视点特征直方图
---
视点特征直方图（或VFH）源于FPFH描述子。由于它的获取速度和识别力，我们决定利用FPFH强大的识别力，但是为了使构造的特征保持缩放不变性的性质同时，还要区分不同的位姿，计算时需要考虑加入视点变量。我们做了以下两种计算来构造特征，以应用于目标识别问题和位姿估计：**1.扩展FPFH，使其利用整个点云对象来进行计算估计（如2图所示），在计算FPFH时以物体中心点与物体表面其他所有点之间的点对作为计算单元。2.添加视点方向与每个点估计法线之间额外的统计信息，为了达到这个目的，我们的关键想法是在FPFH计算中将视点方向变量直接融入到相对法线角计算当中**。
通过统计视点方向与每个法线之间角度的直方图来计算视点相关的特征分量。
***注意：并不是每条法线的视角，因为法线的视角在尺度变换下具有可变性，我们指的是平移视点到查询点后的视点方向和每条法线间的角度。第二组特征分量就是前面PFH中讲述的三个角度，如PFH小节所述，只是现在测量的是在中心点的视点方向和每条表面法线之间的角度。***
因此新组合的特征被称为视点特征直方图（VFH）。下图表体现的就是新特征的想法，包含了以下两部分：
* **一个视点方向相关的分量**
* \*\*一个包含扩展FPFH的描述表面形状的分量 \*\*
在PCL中的实现属于 pcl\_features 模块库的一部分。对扩展的FPFH分量来说，默认的VFH的实现使用45个子区间进行统计，而对于视点分量要使用128个子区间进行统计，这样VFH就由一共308个浮点数组成阵列。在PCL中利用pcl::VFHSignature308的点类型来存储表示。
PFH/FPFH描述子和VFH之间的主要区别是：对于一个已知的点云数据集，只有一个单一的VFH描述子，而合成的PFH/FPFH特征的数目和点云中的点数目相同。
以下代码段将对输入数据集中的所有点估计一组VFH特征值
#include <pcl/point_types.h>
#include <pcl/features/vfh.h> //VFH特征估计类头文件
…//其他相关操作
pcl::PointCloudpcl::PointXYZ::Ptr cloud (new pcl::PointCloudpcl::PointXYZ);
pcl::PointCloudpcl::Normal::Ptr normals (new pcl::PointCloudpcl::Normal ());
…//打开点云文件估计法线等
//创建VFH估计对象vfh，并把输入数据集cloud和法线normal传递给它
pcl::VFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::VFHSignature308> vfh;
vfh.setInputCloud (cloud);
vfh.setInputNormals (normals);
//如果点云是PointNormal类型，则执行vfh.setInputNormals (cloud);
//创建一个空的kd树对象，并把它传递给FPFH估计对象。
//基于已知的输入数据集，建立kdtree
pcl::KdTreeFLANNpcl::PointXYZ::Ptr tree (new pcl::KdTreeFLANNpcl::PointXYZ ());
vfh.setSearchMethod (tree);
//输出数据集
pcl::PointCloudpcl::VFHSignature308::Ptr vfhs (new pcl::PointCloudpcl::VFHSignature308 ());
//计算特征值
vfh.compute (*vfhs);
// vfhs->points.size ()的大小应该是1，即vfh描述子是针对全局的特征描述
### 从一个深度图像提取NARF特征
---
#include
#include <boost/thread/thread.hpp>
#include <pcl/range_image/range_image.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/range_image_visualizer.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/features/range_image_border_extractor.h>
#include <pcl/keypoints/narf_keypoint.h>
#include <pcl/features/narf_descriptor.h>
#include <pcl/console/parse.h>
typedef pcl::PointXYZ PointType;
//参数的设置
float angular_resolution = 0.5f;
float support_size = 0.2f;
pcl::RangeImage::CoordinateFrame coordinate_frame = pcl::RangeImage::CAMERA_FRAME;
bool setUnseenToMaxRange = false;
bool rotation_invariant = true;
//命令帮助
void
printUsage (const char* progName)
{
std::cout << “\n\nUsage: “<<progName<<” [options] <scene.pcd>\n\n”
<< “Options:\n”
<< “-------------------------------------------\n”
<< “-r angular resolution in degrees (default “<<angular_resolution<<”)\n”
<< “-c coordinate frame (default “<< (int)coordinate_frame<<”)\n”
<< “-m Treat all unseen points to max range\n”
<< “-s support size for the interest points (diameter of the used sphere - "
“default “<<support_size<<”)\n”
<< “-o <0/1> switch rotational invariant version of the feature on/off”
<< " (default “<< (int)rotation_invariant<<”)\n”
<< “-h this help\n”
<< “\n\n”;
}
void
setViewerPose (pcl::visualization::PCLVisualizer& viewer, const Eigen::Affine3f& viewer_pose)//setViewerPose
{
Eigen::Vector3f pos_vector = viewer_pose * Eigen::Vector3f (0, 0, 0);
Eigen::Vector3f look_at_vector = viewer_pose.rotation () * Eigen::Vector3f (0, 0, 1) + pos_vector;
Eigen::Vector3f up_vector = viewer_pose.rotation () * Eigen::Vector3f (0, -1, 0);
viewer.setCameraPosition (pos_vector[0], pos_vector[1], pos_vector[2],
look_at_vector[0], look_at_vector[1], look_at_vector[2],
up_vector[0], up_vector[1], up_vector[2]);
}
int
main (int argc, char** argv)
{
// 设置参数检测
if (pcl::console::find_argument (argc, argv, “-h”) >= 0)
{
printUsage (argv[0]);
return 0;
}
if (pcl::console::find_argument (argc, argv, “-m”) >= 0)
{
setUnseenToMaxRange = true;
cout << “Setting unseen values in range image to maximum range readings.\n”;
}
if (pcl::console::parse (argc, argv, “-o”, rotation_invariant) >= 0)
cout << “Switching rotation invariant feature version “<< (rotation_invariant ? “on” : “off”)<<”.\n”;
int tmp_coordinate_frame;
if (pcl::console::parse (argc, argv, “-c”, tmp_coordinate_frame) >= 0)
{
coordinate_frame = pcl::RangeImage::CoordinateFrame (tmp_coordinate_frame);
cout << “Using coordinate frame “<< (int)coordinate_frame<<”.\n”;
}
if (pcl::console::parse (argc, argv, “-s”, support_size) >= 0)
cout << “Setting support size to “<<support_size<<”.\n”;
if (pcl::console::parse (argc, argv, “-r”, angular_resolution) >= 0)
cout << "Setting angular resolution to "<<angular_resolution<<“deg.\n”;
angular_resolution = pcl::deg2rad (angular_resolution);
//打开一个磁盘中的.pcd文件 但是如果没有指定就会自动生成
pcl::PointCloud::Ptr point_cloud_ptr (new pcl::PointCloud);
pcl::PointCloud& point_cloud = *point_cloud_ptr;
pcl::PointCloudpcl::PointWithViewpoint far_ranges;
Eigen::Affine3f scene_sensor_pose (Eigen::Affine3f::Identity ());
std::vector pcd_filename_indices = pcl::console::parse_file_extension_argument (argc, argv, “pcd”);
if (!pcd_filename_indices.empty ()) //检测是否有far_ranges.pcd
{
std::string filename = argv[pcd_filename_indices[0]];
if (pcl::io::loadPCDFile (filename, point_cloud) == -1)
{
cerr << “Was not able to open file “”<<filename<<”“.\n”;
printUsage (argv[0]);
return 0;
}
scene_sensor_pose = Eigen::Affine3f (Eigen::Translation3f (point_cloud.sensor_origin_[0],
point_cloud.sensor_origin_[1],
point_cloud.sensor_origin_[2])) *
Eigen::Affine3f (point_cloud.sensor_orientation_);
std::string far_ranges_filename = pcl::getFilenameWithoutExtension (filename)+“_far_ranges.pcd”;
if (pcl::io::loadPCDFile (far_ranges_filename.c_str (), far_ranges) == -1)
std::cout << “Far ranges file “”<<far_ranges_filename<<”" does not exists.\n";
}
else
{
setUnseenToMaxRange = true;
cout << “\nNo *.pcd file given => Genarating example point cloud.\n\n”;
for (float x=-0.5f; x<=0.5f; x+=0.01f) //如果没有打开的文件就生成一个矩形的点云
{
for (float y=-0.5f; y<=0.5f; y+=0.01f)
{
PointType point; point.x = x; point.y = y; point.z = 2.0f - y;
point_cloud.points.push_back (point);
}
}
point_cloud.width = (int) point_cloud.points.size (); point_cloud.height = 1;
}
//从点云中建立生成深度图
float noise_level = 0.0;
float min_range = 0.0f;
int border_size = 1;
boost::shared_ptrpcl::RangeImage range_image_ptr (new pcl::RangeImage);
pcl::RangeImage& range_image = *range_image_ptr;
range_image.createFromPointCloud (point_cloud, angular_resolution, pcl::deg2rad (360.0f), pcl::deg2rad (180.0f),
scene_sensor_pose, coordinate_frame, noise_level, min_range, border_size);
range_image.integrateFarRanges (far_ranges);
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
scene_sensor_pose, coordinate_frame, noise_level, min_range, border_size);
range_image.integrateFarRanges (far_ranges);
[外链图片转存中…(img-kP6jNNZw-1715839897903)]
[外链图片转存中…(img-xufuH1R3-1715839897903)]
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
230
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
